Status på AI i undervisningen – udfordringer og løsninger

Nyhedsbrevet bygger på en række workshops om "AI og eksamen og undervisning" afholdt for en række institutter på SDU gennem hele 2026.

Det står klart, at AI er en forandrende kraft, der er i færd med at ændre professionerne, forskningen, programmernes og fagenes indhold, undervisningen, vejledningen og eksamen, de studerendes brug af AI og undervisernes brug af AI til planlægning af – og forberedelse til – undervisning. Alle forestillinger om at ’inddæmme’ eller ’holde AI ude’ er urealistiske.

Det er også klart, at disse forandringer er overordentlig forskellige fra uddannelse til uddannelse, fra profession til profession og fra videnskabsfelt til videnskabsfelt.

Det er endvidere også klart, at AI i hænderne på akademisk trænede forskere, dvs. forskere der (i) har mødt modstanden i stoffet, og har slidt med at læse, brugt tid på at notere og kondensere, kæmpet med at skrive og revidere tekster, oversat mellem sprog, udsat tekster for peer-review (igen og igen), givet feedback og peer-reviewet utallige gange mv.; (ii) der har opbygget en dybtgående specialviden på et område, (iii) som kan stille de rigtige akademisk skarpe og relevante spørgsmål til chatbots (dvs. prompte), og som (iv) kan vurdere den akademiske lødighed og kvalitet af svar og kilder - kan øge produktivitet og kvalitet af eget forskningsarbejde.

Den store pædagogiske udfordring for os i rollen som undervisere er imidlertid, hvordan studerende, der endnu ikke har erhvervet sig specialiseret viden og akademiske analytiske færdigheder, kan udvikle disse med AI ved hånden (få tasteklik væk) og som en stadig fristelse. Hvordan kan vi tilrettelægge deres uddannelser, så de møder nok modstand i stoffet til at erhverve sig de akademiske færdigheder? Og nok akademiske færdigheder til at blive kyndige og kritiske brugere af AI?

Det er en kæmpe udfordring, som vi langt fra har alle svarene på endnu. Det gode er, at vi ikke er alene med disse udfordringer. Man har de samme diskussioner på universiteter over hele verden, og forskningen er begyndt at give brugbare svar. Derfor vil der også undervejs i nyhedsbrevet være henvisning til få udvalgte artikler og net-ressourcer, hvor man kan hente yderligere inspiration.

Her er nogle overvejelser, forslag og inspiration.

1. AI adskiller tekst fra tænkning – eksamenernes validitet er under pres

En tekst fra en studerende kan ikke længere uden videre tages som udtryk for, hvad den studerende tænker, forstår og kan argumentere for. Dermed er en bærende forudsætning for mange undervisningsaktiviteter og eksamensformer – herunder især karakterbedømte hjemmeopgaver, BA-opgaver og specialeafhandlinger – sat under pres.

På de omtalte workshops på forskellige institutter har det været en fast bestanddel at bede en kraftig chatbot med Deep Research-funktion om at løse eksamensopgaver på både BA- og kandidatniveau. Det klarer den i reglen temmelig godt på 15 minutter og uden at nogen behøver hverken at læse eller skrive – eller lære noget. Opgaver, der måler evnen til at genfinde, strukturere og fremstille, er overordentligt nemme for chatbots (de tre ting er blevet ’billige’). Kompetencer i lokal fortolkning, teoretisk beslutningskraft og dokumenteret kildekritik er ’dyrere’ kompetencer, som chatbots har sværere ved at emittere.

Derfor følgende forslag til handling:

• Tryktest jeres egne eksamenssæt. Lad en avanceret chatbot besvare den seneste opgaveformulering, og drøft i faggruppen, hvilken karakter besvarelsen ville få.
• Indfør mundtligt forsvar eller stikprøvevis mundtlig verificering af skriftlige hjemmeopgaver. Det tester, om den studerende har ejerskab over teksten.
• Kortlæg uddannelsens eksamensprofil. Hvilke eksamener er sårbare, og er der fornuftig variation og progression i prøveformerne?

Læs mere:

• Dawson, P., Bearman, M., Dollinger, M. & Boud, D. (2024). Validity matters more than cheating. Assessment & Evaluation in Higher Education, 49(7), 1005–1016.
• Corbin, T., Bearman, M., Boud, D. & Dawson, P. (2026). The wicked problem of AI and assessment. Assessment & Evaluation in Higher Education.
• Netressource: TEQSA (2025), Enacting assessment reform in a time of artificial intelligence.

2. Kognitiv aflastning og "præstationsparadokset" – bedre produkter, mindre læring

Den måske mest alvorlige udfordring med AI er – som ovenfor beskrevet – at AI gør det let at lade maskinen udføre netop det kognitive arbejde, som læring kræver. José Bowen samler forskningen på We Teach with AI, og budskabet er klart: Når de studerendes brug af AI er uguidet, bliver hjemmeopgaverne bedre, men eksamensresultaterne falder. Desuden overvurderer de studerende, hvad de har lært. Leslie Loble og Jason Lodge kalder fænomenet et "præstationsparadoks": AI giver et kortsigtet præstationsløft, men de studerende husker ikke stoffet, når de testes senere (EducationHQ).

Forslag til handling:

• Skeln eksplicit mellem god og skadelig aflastning. Fortæl de studerende, hvad de må overlade til AI (fx sproglig korrektur), og hvad de selv skal tænke igennem, fordi det er dér, læringen sker.
• Brug formålsbyggede AI-værktøjer, der holder svarene tilbage, fx en kursus-chatbot, der giver hints frem for facit.
• Byg uafhængig selvtest ind i undervisningen. Korte quizzer og mundtlige tjek viser de studerende, hvad de selv kan uden maskinen.

Læs mere:

• Bastani, H. m.fl. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26).
• Fan, Y. m.fl. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology.
• Netressource: José Antonio Bowen, Design Principles for Teaching in the Age of AI.

3. Studerendes deklarering af AI-brug virker ikke efter hensigten

De fleste universiteter, herunder SDU, kræver, at studerende deklarerer deres brug af AI. Underviserne melder samstemmende, at deklareringerne er upræcise og ofte intetsigende. Underviserne melder desuden for de flestes vedkommende, at de ikke adresserer brug af AI i deres kursus/undervisning med de studerende. De studerende er usikre på undervisernes holdninger og ved stadig ikke, om AI-brug trækker op eller ned i vurderingen, og de underdeklarerer formodentlig. Underviserne udvikler "politiøjne", der leder efter snyd frem for at vurdere det faglige bidrag – hvilket ofte går ud over arbejdsglæden.

Det store problem med de nuværende deklarationsregler er, at de er urealistiske af følgende grunde:

1. Den videnskabelige analyseproces er kompleks – og de studerende er først lige begyndt at lære om de analytiske trin i en videnskabelig analyse.
   
   
2. AI-værktøjer og brugen af AI i videnskabelige/akademiske analyser er komplekse – og de studerende mangler de nødvendige kompetencer til dette – så vi må lære de studerende at bruge AI-værktøjer til videnskabelige/akademiske formål gennem en trinvis tilgang.
   
   
3. Åbenhed omkring AI handler grundlæggende ikke om regler og overholdelse af retningslinjer – men om at genskabe en sammenhæng mellem tekst og tænkning – så vi må stille nye krav til skriftlige opgaver.
   
   
4. Det er ikke længere indlysende for de studerende, hvorfor og hvordan de bør engagere sig i fagstoffet, herunder i forbindelse med hjemmeopgaver – så vi må være ekstra omhyggelige med at skabe motivation for arbejdet.Deklarering handler ikke kun om at overholde regler; det handler dybest set om ansvarlighed. Deklarering handler om, at man tilkendegiver/skriver under på, at man er i stand til at stå bag sit arbejde intellektuelt og professionelt, dvs. at man kan forklare, reproducere, evaluere og forsvare sit arbejde i en faglig samtale. Regler, der lader selve opgaven uændret, afhænger af frivillig efterlevelse, som ikke kan kontrolleres (Corbin, Dawson & Liu 2025).

Deklarering handler ikke kun om at overholde regler; det handler dybest set om ansvarlighed. Deklarering handler om, at man tilkendegiver/skriver under på, at man er i stand til at stå bag sit arbejde intellektuelt og professionelt, dvs. at man kan forklare, reproducere, evaluere og forsvare sit arbejde i en faglig samtale. Regler, der lader selve opgaven uændret, afhænger af frivillig efterlevelse, som ikke kan kontrolleres (Corbin, Dawson & Liu 2025).

Forslag til handling:

• Udvid AI-deklarationen til et "metodeafsnit om teknologi". Det er ikke nok at skrive "jeg har brugt ChatGPT". De studerende beskriver, hvordan de har brugt AI i de enkelte analysetrin, og hvilke vurderinger de foretog, fx: "Jeg bad AI opsummere X, men vurderede, at den overså Y, hvorfor jeg selv supplerede med Z."
• Krav om processpor ved større opgaver. Ved BA-projekter og specialer skal studerende kunne fremvise gemte chat-logs, logbøger eller versionerede dokumenter, hvis bedømmerne er i tvivl.
• Vurdér både produkt og proces, fx med en vægtning på 70/30 eller med bestået/ikke bestået på proceselementer.

Læs mere:

• Walton, J., Bearman, M., Crawford, N., Tai, J. & Boud, D. (2026). How university students work on assessment tasks with generative artificial intelligence: matters of judgement. Assessment & Evaluation in Higher Education.
• Corbin, T., Dawson, P. & Liu, D. (2025). Talk is cheap: why structural assessment changes are needed for a time of GenAI. Assessment & Evaluation in Higher Education, 50(7), 1087–1097.
• Netressource: SDU UP, Nyhedsbrev juni 2025: Generativ AI og eksamen.

4. Uklare forventninger – underviserne skal AI-deklarere deres kurser

Deklarering er ikke kun de studerendes ansvar. Hvilken rolle AI skal spille i faget, er nu en uundgåelig didaktisk beslutning for underviseren. Den hurtige løsning – en "tosporet vej", hvor AI enten er helt forbudt i overvågede prøver eller helt frit i alle andre – er ifølge Guy Curtis (2025) uholdbar. God undervisning bygger færdigheder op trinvis – som når man lærer at køre bil.

"Brug AI ansvarligt" giver ikke de studerende noget at handle på. En eksplicit formulering forbinder tilladelsen med læringsmålet: "Du må bruge AI til sproglig feedback på tekst, du selv har skrevet. Du må ikke bruge AI til at fortolke data, fordi det er netop det, opgaven bedømmer."

Forslag til handling:

• AI-deklarér jeres kurser ud fra AI Assessment Scale, så det fremgår af kursusbeskrivelsen, hvilken rolle AI spiller i undervisningsaktiviteter, læringsmål og eksamen.
• Brug en simpel oversættelsesmodel: læringsmål → studenteraktivitet → AI's rolle → den studerendes ansvar → eksplicit forventning. Skriv to-tre sætninger til de studerende om, hvad der opfordres til, hvad der er tilladt og ikke tilladt – og hvorfor.
• Sørg for alignment. Hvis opgaven kan løses med omfattende AI-brug, skal AI-kompetencer også indgå som læringsmål og i karaktergivningen.

Læs mere:

• Perkins, M., Roe, J. & Furze, L. (2025). Reimagining the Artificial Intelligence Assessment Scale: A refined framework for educational assessment. Journal of University Teaching & Learning Practice, 22(7).
• Curtis, G. J. (2025). The two-lane road to hell is paved with good intentions: why an all-or-none approach to generative AI, integrity, and assessment is insupportable. Higher Education Research & Development, 44(8).
• Netressource: The AI Assessment Scale (AIAS)

5. Hvordan lærer de studerende at skrive – og at have en stemme?

Al skrivning vil i fremtiden blive "blended skrivning", lyder en af José Bowens pointer. Men at lære at skrive er stadig vigtigt. Skrivning er et håndværk, et vindue ind til tænkningen og en læringsproces i sig selv. Når en chatbot leverer en velpoleret tekst på sekunder, risikerer den studerendes faglige stemme at forsvinde.I mange år har vi vænnet de studerende af med jeg-form. Måske skal vi nu gå den anden vej.

Forslag til handling:

• Kræv jeg-sætninger, der gør den studerende synlig som beslutningstager: "Ud fra inspiration fra min underviser, to tekster fra pensum og fire forslag fra min chatbot valgte jeg denne problemstilling, fordi …", "Jeg har valgt at tage afsæt i teori 1 og teori 2, fordi …".
• Del skriveopgaver op i faser (problemformulering, research, disposition, udkast, revision, refleksion), og giv feedback på processen undervejs.
• Skriv nye typer opgaver, der er lokale, personlige, aktuelle eller interviewbaserede, eller som kræver stillingtagen til etiske dilemmaer og begrundelse af personlige valg. Eller lad AI skrive et udkast, som de studerende kritiserer, forbedrer og forklarer deres eget bidrag til.

Læs mere:

• Barrett, A. & Pack, A. (2023). Not quite eye to A.I.: student and teacher perspectives on the use of generative artificial intelligence in the writing process. International Journal of Educational Technology in Higher Education, 20.
• Tai, J., Ajjawi, R., Boud, D., Dawson, P. & Panadero, E. (2018). Developing evaluative judgement: enabling students to make decisions about the quality of work. Higher Education, 76(3).
• Netressource: Teach GenAI (AAU, AU og SDU), Learn GenAI – How to use generative AI in your studies.

6. Motivation og undervisningssamværet – hvorfor "bøvle" med stoffet?

Når en chatbot kan løse øvelsesopgaven og fristelsen til at lade den gøre det altid er der, så må vi som undervisere være særdeles omhyggelige med at motivere det hårde arbejde. José Bowen foreslår, at man – for at understøtte denne omhyggelighed og transparens – på de enkelte uddannelser introducerer fælles skabeloner for skriftlige motiveringer af undervisningsaktiviteter og øvelser, og at man som resultat af denne motivation altid gør det muligt for de studerende at kunne svare ja til: I care (giver opgaven mening?), I can (kan jeg klare det?) og I matter (betyder mit bidrag noget – lytter nogen?).

AI kan berige – og ødelægge – alle læringsaktiviteter i undervisningen. Eksempel: I gruppearbejde kan AI bruges til at fremme og berige gruppens drøftelser ved at tilvejebringe yderligere information, afklare tvivl, give feedback. Men AI kan også dræbe gruppedrøftelser, hvis den bruges som facitliste og lukker alle diskussioner ned. Også gruppearbejde skal motiveres, forklares og instrueres på ny.

Forslag til handling:

• Brug en opgaveskabelon, der motiverer: hvad skal de lære, hvorfor er det værdifuldt, og hvorfor er anstrengelsen nødvendig?
• Afprøv kursusspecifikke tutor-bots og demonstrér dem ved første undervisningsgang.
• "Brug AI i din forberedelse, brug din hjerne i klasseundervisningen", som det lyder på Harvard Business School. Brug tiden sammen på analyse, kritik og stillingtagen.

Læs mere:

• José Bowen and C. Edward Watson, ”Designing Assignments and Assessments for Human Effort” chapter 12 i Teaching with AI. A practical Guide to a New era of Human Learning, Baltimore: Johns Hopkins University Press, 2026, pp 231-245.
• Kestin, G., Miller, K., Klales, A., Milbourne, T. & Ponti, G. (2025). AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports,
• 15.Netressource: Harvard Business School, Teaching in the Age of AI.

Back to basics

Selvom AI er en voldsom forandrende kraft i undervisningssektoren og i universitetsundervisningen, så er der også en række ting, der ikke er forandret, herunder:

1. God og motiverende undervisning er stadig karakteriseret ved stærk alignment mellem læringsmål, eksamenskrav og -former og læringsaktiviteter.
   
   
2. Det er stadig den/dem, der lægger arbejdet, der lærer noget.
   
   
3. Videnskabelig analyse – og kyndig omgang med viden – bygger på, at man har styr på kilden/kilderne til ens viden og en vurdering af kildens karakter og sandhedsværdi. Eller som kernen i forskningsbaseret undervisning er blevet defineret:

”Enhver videnskab sondrer mellem sit stof og sin metode, uanset den nære indbyrdes forbindelse … Men det må erindres at metoden er noget så essentielt i al videnskab at stofbehandlingen med megen ret kan betegnes som en løbende metodologisk drøftelse …” (Erik Rasmussen Komparativ Politik 1, København, Gyldendal, 1971, p. 11).

På en række punkter er svaret på AI’s store udfordring også back to basics.